一种煤矿开采地表沉陷监测系统技术方案

本发明专利技术公开一种煤矿开采地表沉陷监测系统，包括：采集模块，优化模块，识别模块及存储模块；所述采集模块、所述优化模块分别与识别模块连接；所述识别模块与所述存储模块连接；其中所述采集模块用于采集煤矿地表沉陷的监测数据；所述优化模块用于构建深度学习模型，其中所述深度学习模型采用CNN

【技术实现步骤摘要】
一种煤矿开采地表沉陷监测系统


[0001]本专利技术涉及地表监测
，特别涉及一种煤矿开采地表沉陷监测系统。

技术介绍

[0002]有用矿物被采出以后，开采区域周围的岩体的原始应力平衡状态受到破坏，应力重新分布，达到新的平衡。在此过程中，使岩层和地表产生连续的移动、变形和非连续的破坏(开裂、冒落等)，这种现象称为“开采沉陷”。岩体本身是一种非常复杂的介质，它不仅是出各种不同性质的岩层组成，而且还由于各种地质作用(如褶皱、断层、开裂、火成岩侵入、陷落柱等)而产生了大量的不连续面。岩体在受到各种不同开采方法的开采影响时，产生的开采沉陷是一个在时间和空间上都是非常复杂的过程。在时间上来说，在移动过程中，开采沉陷的形式和大小在不同的时间是不同的，也就是说，此时的开采沉陷是“动态的”；随着时间的推移，开采沉陷的形式和大小逐渐趋向于稳定，开采沉陷变成“静态的”或“最终的”。从空间上来说，若地下开采的范围较小、开采的矿物的埋藏深度较大，则开采沉陷波及的范围往往只局限于开采区域周围的岩体；若开采范围较大、开采矿物的埋藏深度较小，则开采沉陷波及的范围就会从岩体发展到地表，引起“地表移动”。由于人类的生产和生活活动大部分都是在地表进行，所以地表移动对人类的影响更为普遍。现有技术对于煤矿开采地表沉陷程度监测不够智能及准确，所以亟需一种智能化及精准化的煤矿开采地表沉陷系统。

技术实现思路

[0003]为解决上述现有技术中所存在的问题，本专利技术提供一种煤矿开采地表沉陷监测系统，能够智能化、有效化及准确化的对煤矿开采地表沉降进行监测。
[0004]为了实现上述技术目的，本专利技术提供了如下技术方案：一种煤矿开采地表沉陷监测系统，包括：
[0005]采集模块，优化模块，识别模块及存储模块；所述采集模块、所述优化模块分别与识别模块连接；所述识别模块与所述存储模块连接；
[0006]其中所述采集模块用于采集煤矿地表沉陷的监测数据；所述优化模块用于构建深度学习模型，其中所述深度学习模型采用CNN
‑
LSTM网络；对CNN
‑
LSTM网络进行优化，得到优化模型；所述识别模块用于通过优化模型对监测数据进行识别，得到煤矿开采地表沉陷程度；所述存储模块用于对监测数据、优化模型及地表沉陷程度进行存储。
[0007]可选的，所述采集模块中，煤矿地表沉陷的监测数据包括：地表图像数据、地质相关分析数据及地面激光雷达数据。
[0008]可选的，所述优化模块包括预处理模块及训练模块；所述预处理模块与所述训练模块连接；其中所述预处理模块用于获取历史监测数据，并对历史监测数据进行预处理，得到训练样本；所述训练模块用于构建深度学习模型，并通过训练样本对深度学习模型进行训练，得到优化模型。
[0009]可选的，所述优化模块还包括学习模块；其中所述学习模块与所述训练模块连接；
所述学习模块用于获取特征监测数据，通过特征监测数据对所述深度学习模型进行特征迁移学习，并通过训练样本对迁移学习后的模型进行训练。
[0010]可选的，所述预处理模块中，预处理过程包括缺失值处理、异常值处理及数据无量纲化。
[0011]可选的，所述存储模块中，通过数据架构对对监测数据、优化模型及地表沉陷程度进行存储。
[0012]可选的，所述存储模块中，所述数据架构采用XML架构。
[0013]可选的，所述存储模块连接有可视化模块，其中所述可视化模块用于对存储的数据进行可视化处理。
[0014]本专利技术具有如下技术效果：
[0015]本专利技术通过获取监测数据，通过相关预处理操作对历史监测数据进行处理，以提供有效的训练数据基础，并训练数据对CNN
‑
LSTM模型进行训练即特征迁移学习，生成相关优化模型，通过优化模型对监测数据进行识别，得到煤矿开采地表沉陷程度监测结果；本专利技术实现了“面域”地面沉降变化趋势的时空预测，本专利技术的地面沉降趋势预测模型具有精度高、适用性强的显著优势，能够对地表沉陷程度进行准确监测。
附图说明
[0016]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0017]图1为本专利技术实施例提供的系统示意图。
具体实施方式
[0018]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0019]如图1所述，本专利技术提供了一种煤矿开采地表沉陷监测系统，包括：
[0020]采集模块，优化模块，识别模块及存储模块；所述采集模块、所述优化模块分别与识别模块连接；所述识别模块与所述存储模块连接；
[0021]所述采集模块用于采集煤矿地表沉陷的监测数据；所述采集模块中，煤矿地表沉陷的监测数据包括：地表图像数据、地质相关分析数据及地面激光雷达数据分别通过对应的设备和数据源来获取上述数据。
[0022]所述优化模块用于构建深度学习模型，其中所述深度学习模型采用CNN
‑
LSTM网络；对CNN
‑
LSTM网络进行优化，得到优化模型；
[0023]作为一些实施例，所述优化模块包括预处理模块及训练模块；所述预处理模块与所述训练模块连接；其中所述预处理模块用于获取历史监测数据，并对历史监测数据进行预处理，得到训练样本；
[0024]预处理过程包括缺失值处理、异常值处理及数据无量纲化。缺失值处理：缺失值是指原始数据集中的行和列存在缺失数据的情况。根据煤矿地表沉陷历史监测数据的特点，采用均值插补法对原始样本数据的缺失值进行填充。该种方法指的是采用属性的平均值来对缺失值进行填补。异常值处理：异常值指的是样本数据集中的异常或者错误(偏离期望的孤立点值)，因此在构建训练样本之前，需要对这些异常数据进行去除。本专利技术根据区域地面沉降数据的特点采用拉依达准则法对空间上、时间上的异常值进行处理。数据无量纲化：数据无量纲化是指将数据集中的各属性数据按照各属性特征进行同比例缩放，使各属性值处在同一量纲级别之内。尤其对涉及距离计算的模型，该数据处理步骤至关重要。本实例选择min
‑
max标准化方法，在保存数据完整信息的基础上，将样本数据映射到区间[0，1]范围内，可以提高模型训练有效率。
[0025]所述训练模块用于构建深度学习模型，并通过训练样本对深度学习模型进行训练，得到优化模型。所述深度学习模型采用CNN
‑
LSTM网络；
[0026]CNN
‑
LSTM网络中前半部分为CNN网络层，用于地面沉降时空场数据的多维特征提取本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种煤矿开采地表沉陷监测系统，其特征在于，包括：采集模块，优化模块，识别模块及存储模块；所述采集模块、所述优化模块分别与识别模块连接；所述识别模块与所述存储模块连接；其中所述采集模块用于采集煤矿地表沉陷的监测数据；所述优化模块用于构建深度学习模型，其中所述深度学习模型采用CNN
‑
LSTM网络；对CNN
‑
LSTM网络进行优化，得到优化模型；所述识别模块用于通过优化模型对监测数据进行识别，得到煤矿开采地表沉陷程度；所述存储模块用于对监测数据、优化模型及地表沉陷程度进行存储。2.根据权利要求1所述的煤矿开采地表沉陷监测系统，其特征在于：所述采集模块中，煤矿地表沉陷的监测数据包括：地表图像数据、地质相关分析数据及地面激光雷达数据。3.根据权利要求1所述的煤矿开采地表沉陷监测系统，其特征在于：所述优化模块包括预处理模块及训练模块；所述预处理模块与所述训练模块连接；其中所述预处理模块用于获取历史监测数据，并对历史监测数据进行预处...

【专利技术属性】
技术研发人员：王忠乐，刘润，邬静玉，王朋飞，
申请(专利权)人：太原理工大学，
类型：发明
国别省市：